回采工作面瓦斯安全形勢動態判別方法

劉亞兵

(陽泉煤業(集團)股份有限責任公司，山西 陽泉　045000)

?

回采工作面瓦斯安全形勢動態判別方法

劉亞兵

(陽泉煤業(集團)股份有限責任公司，山西 陽泉045000)

從瓦斯抽采和井下通風這2種主要的瓦斯排放形式入手，結合鄰近層瓦斯涌出、巷道煤壁瓦斯涌出和落煤等導致的涌出這3種主要的回采工作面瓦斯來源，提出了6種多元化的工作面瓦斯安全形勢判別指標及基于BP神經網絡的回采工作面瓦斯安全形勢動態判別方法。Matlab驗證結果表明，該方法判別工作面瓦斯安全形勢的相對變化時會按照各指標尋求最優化排序，在給定判定指標的基礎上，對瓦斯安全形勢的相對變化判定準確，但絕對判定結果需要結合各分指標值來具體判斷。

回采工作面；瓦斯安全形勢；動態判別；評價指標

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160930.0956.003.html

0　引言

在中國國有重點煤礦中，高瓦斯礦井和煤與瓦斯突出礦井的數量占49.8%，占煤炭總產量的42%，因此，消除和預防瓦斯事故是中國煤炭行業現在及未來需要研究和解決的重大問題之一[1]。回采工作面是煤礦生產中重要的組成部分，環境危險、惡劣的回采工作面又屬于煤礦的事故高發區域[2]，對回采工作面瓦斯安全方面的研究尤為重要。回采工作面瓦斯安全狀態是一種復雜的動態過程，瓦斯安全形勢是由瓦斯抽放狀態、工作面瓦斯涌出狀態、煤體瓦斯特征參數及通風系統的可靠性等因素共同決定的，且各因素之間呈現出非線性的狀態[3]，用純數學的線性方法很難分析清楚[4]，傳統的數學方法如線性規劃方法等都不能很客觀地解決工作面瓦斯安全形勢動態判別問題。基于以上原因，本文提出了利用BP神經網絡來動態判別回采工作面的瓦斯安全形勢的方法。

1　工作面瓦斯安全形勢影響因素及判定指標

回采工作面的瓦斯排放主要有2種方式：一種是通過管道瓦斯抽放系統將瓦斯直接從煤體抽至地面，再加以利用或者直接排放；另一種是利用通風系統將從工作面煤體及其他地方涌入工作面巷道的瓦斯和工作面風流混合，通過通風系統回風段將混合風流排出。回采工作面的瓦斯管理既要考慮瓦斯排放形式，也要緊密結合區域的瓦斯來源。回采工作面的瓦斯來源主要有3個，分別是鄰近層瓦斯涌出、巷道煤壁瓦斯涌出、生產過程中落煤及其他導致瓦斯突然釋放的涌出[5]。結合以上特點，對多元化的工作面瓦斯安全形勢進行判別需要考慮以下因素：

(1) 絕對瓦斯涌出量：工作面各種瓦斯來源的直接標量參數，表征瓦斯涌出及工作面通風的重要指標。

(2) 相對瓦斯涌出量：噸煤瓦斯涌出量參數，工作面區域相對瓦斯涌出及煤體瓦斯含量指標。

(3) 工作面瓦斯濃度均值：臨近層、采空區、落煤等導致瓦斯涌出的重要指標。

(4) 回風瓦斯濃度均值：巷道煤壁瓦斯涌出的重要指標。

(5) 工作面瓦斯抽采純量：煤體瓦斯抽放指標。

(6) 煤體瓦斯防突參數值：煤體瓦斯解析、放散等防突監測參數指標。

對以上6種影響因素分別進行定量分析，第1—5類參數通過安全監測系統的實時數據自動獲取，第6類參數通過工作面煤體人工檢測數據獲得。在不同的生產礦井,這些參數可不同，但應能體現煤體瓦斯參數特征。設6類指標的計算或統計周期為24 h，具體指標值見表1。其中Vh為回風巷風速，Sd為風速測量點斷面面積，t為工作面日采煤量，Cc為抽放瓦斯濃度，K1,Smax為防突監測參數。

表1　工作面瓦斯安全判別指標

針對以上6種瓦斯安全判別指標，分別設置4種評判等級，即安全、警示、威脅和危險。對于瓦斯涌出量、瓦斯濃度和煤體瓦斯防突參數值等指標，按照國家高瓦斯礦井規定及安全監測的標準，結合80%和60%兩個等級進行劃分。工作面瓦斯抽采純量需結合抽采設計來評價，用實際抽采純量和設計抽采純量的比值來衡量瓦斯抽采效果，當實際抽采純量與設計抽采純量大于或等于1時為安全狀態，依次按照80%和60%來分級，各指標具體分級見表2。

表2　各指標評價標準

2　BP神經網絡判別方法

BP網絡是典型的多層網絡，包括輸入層節點、輸出層節點及一層或多層隱含節點[6]。假設取得P個樣本{y(t),x(t);t=1,2,…,P},其中y是n維向量，x是m維向量，當第t個樣本x(t)=(x1(t),x2(t),…,xm(t))的數據輸入網絡時，相應的輸出記為f(t)=(f1(t),f2(t),…,fm(t))。誤差反向傳播的BP神經網絡算法是一種多層前饋網絡所使用的監控式學習算法，采用梯度搜索技術,以期使網絡的實際輸出與期望輸出值的誤差均方值為最小[7]。對于第P個樣本，在其作用下隱含層和輸出層的輸出分別為oi和ok,對于每一樣本的輸入模式，對應期望輸出為tk的二次型誤差函數為[8]

(1)

輸出層的加權系數ωki的調整規則為

(2)

式中：η為學習率；δk=(tk-ok)ok(1-ok);1≤i≤P。

隱含層的加權系數ωij的調整規則為

(3)

結合工作面瓦斯安全動態判定指標，BP算法實現步驟如下：

(1) 初始化網絡及學習參數。將隱含層和輸出層各節點的連接權值、神經元閾值賦予[-1,1]區間的一個隨機數。

(2) 提供訓練模式。從訓練模式集合中選出一個訓練模式，將其輸入模式和期望輸出送入網絡。

(3) 正向傳播過程。對給定的輸入模式，從第1隱含層開始，計算網絡的輸出模式，并把得到的輸入模式與期望模式進行比較，若有誤差，則執行第(4)步，否則，返回第(2)步，提供下一個訓練模式。

(4) 反向傳播過程。從輸出層反向計算到第1隱含層δk，計算同一層單元的誤差，按照式(3)修正連接權值和閾值，對閾值可按照連接權值的學習方式進行，只是需要把閾值設想為神經元的連接權值，并假定其輸入信號總為單位值1即可。反復執行上述修正過程，直到滿足期望的輸出模式為止。

(5) 返回步驟(2)，對訓練模式集中的每個訓練模式重復步驟(2)和步驟(3)，直到訓練模式集中的每個訓練模式都滿足期望輸出為止。

3　基于BP神經網絡的工作面瓦斯安全動態判別

按照表2中工作面瓦斯安全動態評價各指標的評價標準，利用貴州六盤水某礦110102回采工作面2016年2月1日—10日連續10 d的指標值，對基于BP神經網絡的工作面瓦斯安全動態判別方法進行了驗證。對于表2中的K1和Smax值，評價指標中選擇一個即可，本文選擇Smax值進行判別，10 d的具體數據見表3。

對于表3中所示數據，通過Matlab進行工作面瓦斯安全動態判別，基本步驟如下：① 原始數據預處理，使用premnmx()將數據規范化到[-1,1]區間。② 建立初始網格。③ 利用數據對網絡進行訓練。④ 對判別對象進行仿真識別：[Y,Pf,Af,E,perf]=sim(net,D,F,A,T)，其中Y為網絡輸出；Pf為輸入向量最終延遲條件；Af為網絡層最終延遲條件；E為網絡誤差；perf為網絡性能;net為使用的網絡；D為判別對象；F為初始輸入延遲條件，僅當輸入有延遲時使用，默認為0；A為網絡層初始延遲條件；T為網絡標靶。

表3　110102工作面10 d的瓦斯安全評價原始數據

Matlab計算過程及參數設置如圖1所示。

圖1　Matlab計算過程及參數設置

110202工作面2016年2月2日—10日10 d的瓦斯安全形勢分析判別結果為

判別為安全的日期是2，4日；判別為警示的日期是1，5，9，10日；判別為威脅的日期是3，6，7日；瓦斯安全形勢最差的是8日，屬于危險狀態。8日指標數據：Qa:4.60 m3/min；Qx:6.10 m3/t；Cg:0.8%；Ch:0.85%；Qc:0.9；Smax:4.00 kg/m。各指標參數在10 d的統計周期內相對偏高，在統計周期內瓦斯安全形勢屬于最差，和分析結果一致。但和表2給定的危險指標上限比較，各指標值都未達到危險狀態，該方法最終判別的結果卻為危險狀態。可看出基于BP神經網絡算法判別工作面瓦斯安全形勢的相對變化時會按照各指標尋求最優化排序。

4　結語

從瓦斯抽采和井下通風2種主要的瓦斯排放形式入手，結合回采工作面3種主要的瓦斯來源，提出了6種多元化的工作面瓦斯安全形勢判別指標。針對多元化判斷指標，提出了利用BP神經網絡來動態判別回采工作面瓦斯安全形勢的方法。以貴州六盤水某礦110102回采工作面2016年2月1日—10日連續10 d的指標值為實驗數據，依托Matlab平臺，對基于BP神經網絡的回采工作面瓦斯安全動態判別方法進行了驗證。結果表明，基于BP神經網絡算法判別工作面瓦斯安全形勢的相對變化時會按照各指標尋求最優化排序，在給定判定指標的基礎上，該方法對瓦斯安全形勢的相對變化判定準確，但給出的絕對判定結果雖有參考意義，卻不能完全采信，應該結合各指標值來具體判斷。

[1]屈世甲.礦井通風基礎數據獲取及網絡圖優化方法的研究[D].西安:西安科技大學,2010.

[2]屈世甲.礦井掘進巷道生產工序自動識別方法的探索[J].煤礦安全,2015,46(4): 206-209.

[3]張俊敏.煤礦安全評價的幾個問題探討[J].礦業安全與環保,2003,30(5):30-31.

[4]楊濤.基于BP神經網絡法的煤礦安全評價系統研究——以馬蘭煤礦為例[D].太原:太原理工大學,2012.

[5]屈世甲.礦井工作面突出危險性與瓦斯涌出特征回歸分析的研究[J].工礦自動化,2015,41(5): 74-77.

[6]袁戰偉,張云生,王劍平,等.基于BP神經網絡的煤礦瓦斯數據辨識[J].云南大學學報(自然科學版),2009(增刊2):229-231.

[7]李柏年,吳禮斌.MATLAB數據分析方法[M].北京:機械工業出版社,2012.

[8]鄧寶,宋瑞.基于BP神經網絡的安全評價方法研究[J].安全與環境工程,2005,12(2): 61-64.

Dynamic discrimination method of gas security situation of stope face

LIU Yabing

(Yangquan Coal Industry(Group) Co.,Ltd.,Yangquan 045000,China)

Dynamic discrimination method of gas security situation of stope face and six kinds of diversified evaluation indexes were proposed started from two major gas discharge forms of gas drainage and underground ventilation,and combining three major methane sources of adjacent layers gas emission,coal tunnel wall gas emission,and gas emission caused by coal drop.Dynamic discrimination method of gas security situation of stope face based on BP neural network was put forward too.Matlab validation results show that the method will follow the index to find the most optimized sequence when it discriminates relative changes of gas security situation of stope face,on the basis of given indicators,the method can accurately discriminates relative changes of gas security situation,but absolute discrimination results need to be judged specifically combined with sub-index values.

stope face; gas security situation; dynamic discrimination; evaluation index

1671-251X(2016)10-0082-04DOI:10.13272/j.issn.1671-251x.2016.10.019

劉亞兵.回采工作面瓦斯安全形勢動態判別方法[J].工礦自動化，2016,42(10)：82-85.

2016-05-03；

2016-08-30；責任編輯：胡嫻。

劉亞兵(1973-)，男，山西祁縣人，工程師,現從事煤礦機電管理工作，E-mail:290505433@qq.com。

TD712

A網絡出版時間：2016-09-30 09:56